Memahami Arsitektur Neural Network: Panduan Visual untuk Pemula
Ingin memahami cara kerja neural network? Panduan visual ini menjelaskan arsitektur neural network dari dasar, komponen utama, hingga visualisasi cara kerjanya. Cocok untuk pemula di deep learning!
🧠 Apa Itu Neural Network?
Neural Network (Jaringan Saraf Tiruan) adalah model komputasi yang terinspirasi dari cara kerja otak manusia. Model ini terdiri dari neuron-neuron buatan yang saling terhubung untuk memproses informasi.
Visualisasi Neural Network Sederhana
Gambar 1: Arsitektur neural network dengan 3 layer (input, hidden, output)
🔧 Komponen Dasar Neural Network
Neuron
Unit dasar yang menerima input, melakukan komputasi, dan menghasilkan output. Setiap neuron memiliki:
- Bobot (weights)
- Bias
- Fungsi aktivasi
Layer
Kumpulan neuron yang diproses secara paralel:
- Input layer: Menerima data masukan
- Hidden layer: Melakukan transformasi
- Output layer: Hasil prediksi
Koneksi
Jalur antar neuron yang memiliki bobot tertentu. Bobot menentukan seberapa penting suatu input.
Fungsi Aktivasi
Fungsi matematika yang menentukan output neuron berdasarkan inputnya. Memberikan non-linearitas pada model.
📊 Bagaimana Neural Network Bekerja?
Forward Propagation
Proses perhitungan dari input ke output melalui beberapa tahap:
- Input diterima oleh input layer
- Dikalikan dengan bobot dan ditambahkan bias
- Diteruskan melalui fungsi aktivasi
- Proses berlanjut hingga output layer
# Contoh perhitungan forward propagation import numpy as np # Input X = np.array([0.5, -1.2, 2.1]) # Bobot dan bias W = np.array([[0.1, 0.3, -0.5], [-0.2, 0.4, 0.6]]) b = np.array([0.1, -0.1]) # Perhitungan layer hidden z = np.dot(W, X) + b # Perkalian matriks a = 1 / (1 + np.exp(-z)) # Sigmoid activation print("Output hidden layer:", a)
Backpropagation
Proses pembelajaran dengan menyesuaikan bobot berdasarkan error:
- Hitung error antara prediksi dan nilai sebenarnya
- Propagasi mundur error melalui jaringan
- Update bobot menggunakan gradient descent
- Ulangi hingga error minimum

Gambar 2: Ilustrasi proses backpropagation
⚙️ Fungsi Aktivasi Populer
Sigmoid
σ(z) = 1 / (1 + e⁻ᶻ)

Cocok untuk klasifikasi biner (output 0-1)
ReLU (Rectified Linear Unit)
f(x) = max(0, x)

Paling populer untuk hidden layer
Softmax
σ(z)ⱼ = eᶻʲ / Σeᶻᵏ

Cocok untuk klasifikasi multi-kelas
💡 Jenis-Jenis Neural Network
Feedforward NN
Jaringan sederhana dengan aliran satu arah dari input ke output. Dasar untuk banyak arsitektur lain.
CNN (Convolutional NN)
Khusus untuk data grid-like (gambar, video). Menggunakan operasi konvolusi.
RNN (Recurrent NN)
Untuk data sekuensial (teks, time series). Memiliki memori dari step sebelumnya.
Transformer
Arsitektur baru menggunakan mekanisme attention. Dasar dari model seperti GPT dan BERT.
📌 Tips Desain Arsitektur Neural Network
- Mulai sederhana - 1-2 hidden layer terlebih dahulu
- Gunakan ReLU untuk hidden layer (kecuali ada alasan khusus)
- Jumlah neuron di hidden layer biasanya antara input dan output size
- Normalisasi input untuk mempercepat training
- Gunakan dropout untuk mencegah overfitting
- Eksperimen dengan arsitektur berbeda
🎯 Kesimpulan
Anda sekarang memahami dasar-dasar arsitektur neural network:
- Struktur dasar (input, hidden, output layers)
- Komponen utama (neuron, bobot, bias, fungsi aktivasi)
- Mekanisme kerja (forward propagation dan backpropagation)
- Jenis-jenis neural network modern
Langkah selanjutnya:
- Implementasikan neural network sederhana dengan TensorFlow/PyTorch
- Eksperimen dengan arsitektur berbeda pada dataset sederhana (MNIST)
- Pelajari teknik optimasi (learning rate, batch size, dll)
- Jelajahi arsitektur khusus (CNN untuk gambar, RNN untuk teks)
Neural network adalah fondasi deep learning. Dengan pemahaman dasar ini, Anda siap untuk mempelajari topik yang lebih advanced!